Проблемы автоматизации веб-аналитики

Когда мы только сталкиваемся с аналитикой, часто так бывает, что проанализировать данные — не вопрос, а вот автоматизация их получения и обработки вызывает вопросы.

Зачем автоматизировать аналитику? Омниканальность подразумевает получение лидов с различных источников, которые проходят воронку от начала до конца. Это значит, что необходимо понимать весь путь потенциального клиента, который он проходит до совершения покупки. Постоянно проверять все возможные каналы — довольно сложно. Собирать все данные в один отчет намного удобнее и проще. Кроме того, данные, собранные в одном месте, легче визуализировать и понять, что же работает, а что — не очень. Какой канал приносит трафик, какой является лидогенерирующим, а какой — стимулирующим.

Опасности на пути к аналитике

Когда мы начинаем заниматься аналитикой и пытаемся понять, что и зачем нужно, часто так получается, что мы совершаем три большие ошибки.

• Переоцениваем то, что хочется.
• Недооцениваем то, что нужно.
• Подгоняем выводы под иллюзии.

Все ошибки происходят из-за того, что каналы анализируются в отдельности друг от друга и мы идем на поводу у стереотипов. Чтобы этого не происходило необходимо преодолевать неведение. Вот в чем сама суть автоматизации аналитики.Ошибка первая: переоцениваем то, что хочется

Это выглядит примерно так: «Какой высокий CTR и низкая стоимость клика!». Кажется, что кампания настроена идеально, а продаж-то нет. Значит, что-то все же не работает.

За последние сутки пришло пять звонков и три заказа по электронной торговле. Кажется, что все работает, заказы есть. Но только два из них отменили, а один оказался тестовым.

Это типичная ошибка: переоценка не важных формальных данных.

Очень часто мы не считаем то, что нужно и не думаем о тех данных, которые поистине нужны. Учитываете ли вы стоимость заказа, звонка, регистрации? Считаете ли конверсии? Есть ли у вас понимание вашего среднего чека? Какова максимальная стоимость посетителя? Стоят ли метрики?

Если у вас нет ответа хотя бы на один из этих вопросов — вы работаете не совсем правильно.

Очень часто мы недооцениваем то, что по-настоящему важно. К примеру то, что мы описали выше. В таком случае наступает такая проблема, что мы делаем ошибочные выводы.

Все живут в мультфильме и все счастливы. Только продаж нет. Работа идет насмарку. Поэтому вам и важна автоматизация, чтобы не совершать подобных ошибок.Чем может помочь автоматизация

С автоматизацией вас ждет меньше рисков. Вы не будете ошибаться в расчетах, закрывая глаза на проблемы. Важные показатели не будут теряться где-то по пути. Вы не упустите время из-за скорости обновления данных. А главное, что больше не придется зарываться в составление отчетов так, что сил и времени на выводы уже не будет.

С чего начать

Начинать всегда страшно. Легко запутаться, перестать верить в собственные силы и оставить все как есть. Чтобы этого не произошло необходимо понять, где мы находимся и на какой стадии по пути к автоматизации.

Во-первых, собираем ли мы статистику. Во-вторых, как с ней работаем. В-третьих, как принимаем решения? На основании данных или берем выводы «из головы»?

Есть ли у нас какие-либо ограничения? Это необходимый вопрос. Может быть, у вас не хватает ресурсов или компетенций, а может тех же данных.

В вопросе с ресурсами нужно понимать, что сложное внедрение автоматизации не реализовывается в рамках типовых услуг. Тут нужны специалисты более высокого уровня.

Если не хватает знаний, то можно составить карту обучения, своеобразный роад-мап. Но для этого, главное, признать, что знаний недостаточно, а это очень сложно.

Базовые знания

Базовые знания начинаются с изучения Google Analytics и Яндекс Метрики на уровне стандартных возможностей. Читайте документацию — она понятная, простая и ничего сложного в ней нет.

Еще учитесь делать простые расчеты. Даже с помощью калькулятора. Это считать конверсии в лид и покупку, ROI и так далее. А еще автоматизируйте отчетность с помощью готовых решений.

Базовые знания — это то, что есть у любого специалиста, который несколько месяцев работает в маркетинге.

Как развиваться на этом уровне?

• Курсы Analytics Academy.
• Курсы Яндекс Эксперт.
• Почитать про unit-экономику для разных типов проектов, например, в блоге Даниила Ханина.
• Изучить Roistat или любой другой сервис сквозной аналитики (хотя бы на уровне возможностей).
• Автоматизировать отчетность с использованием одного из готовых решений (Reportkey, Google Data Studio).

Почитать полезное:

Изучите unit-экономику — это расчет прибыли/убытка в расчете на одного клиента. Она определяет, есть ли финансовый смысл в масштабировании проекта (в том числе, по отдельным каналам).

• Калькулятор unit-экономики стартапа.
• Григорий Ситнин: unit-экономика проекта.
• Калькулятор в Google Docs для расчета unit-экономики для интернет-магазин.

Средний уровень

На среднем уровне специалист разбирается в сервисах сквозной аналитике, unit-экономике. Он умеет составлять ТЗ на сбор и обработку данных, а еще экспериментировать и проверять гипотезы.

Изучайте кейсы и руководства:

• Интеграция Google BigQuery с BI-платформами.
• BigQuery для веб-аналитики.
• Как работать с Microsoft BI.
• Что такое business-intelligence.
• Кейсы OWOX.

Чтобы продвинуться до уровня выше среднего — это уровень специализированных агентств и работы внутри компании с серьезной аналитикой, нужно начать осваивать работу с данными и BI-инструментами.

Что такое BI? Это методы и инструменты для перевода необработанной информации в осмысленную, удобную форму. Цель BI — интерпретировать большое количество данных, заостряя внимание лишь на ключевых факторах эффективности, моделируя исход различных вариантов действий, отслеживая результаты принятия решений.

BI — это уже уровень бизнес-аналитики.

Выше среднего

Что должен уметь специалист высокого уровня (или класса)? Он должен обладать навыками работы с BI-сервисами, знать особенности работы с API. Еще иметь представление о моделях данных, работать с Google BigQuery, знать хотя бы основы Python. Конечно же, иметь математическую базу и уметь работать с большими объемами данных. На этом уровне специалисты могут позволить себе работать in-house. И да, это полноценный аналитик с огромной зарплатой

А теперь вернемся в реальность

Просто данных давно недостаточно. Сколько раз возникают проблемы из разряда: нет CRM или заказчик не отдает данные, низкий LTV клиента (ведем проекты до 3 месяцев). Такие процессы характерны для агентства конвейерного типа, где нужно максимально загрузить производство, все стандартизировано.

И это если забыть о том, что большинство не знает, чего хочет. Какие данные нужны, как их получить, что именно хотим посчитать и вообще зачем? А главное, как мы будем интерпретировать и использовать результат?

Без внятных требований и результат будет невнятным.

Поэтому нет смысла переходить к выбору инструмента, если у нас нет правильного понимания картины происходящего. Нельзя автоматизировать что-то, если у нас нет требований и ожиданий к алгоритму работы. В такой ситуации вы не поймете ни один инструмент и вас не поймут разработчики.

Определитесь, какие источники данных у вас есть, какие данные важны. Какой будет у вас формат загрузки, метрики и детализация. А после уже думайте о том, в каком виде будет результат для обработки.

Важно решить для себя и составить табличку или роад-мап по каждому проекту или типу проектов.

При этом источником данных могут служить:

• Таргет ВКонтакте.
• Посты ВКонтакте.
• Mailchimp.
• amoCRM.
• Яндекс.Директ.
• Google Analytics.
• Офлайн.

По каждому источнику необходимо сформировать набор данных, нужных для отслеживания эффективности. Для этого используйте несколько форматов загрузки данных:

• Интеграции с сервисами (загрузка данных по api).
• Загрузка данных из файла.
• Ввод значений в веб-интерфейсе (поля для ввода).
• Не все решения поддерживают загрузку данных из файла или интегрированы с нужными сервисами.
• В каком формате нам нужна загрузка.

В различных метриках можно считать:

• ARPPU (средний доход на платящего).
• LTV (средний срок жизни клиента).
• CPA (стоимость целевого действия).
• Acq Costs (затраты на привлечение).
• Конверсия в покупку.

Помните, что детализация очень важна. Вы должны знать источник, канал, объявления, ключевые слова и даже места размещения рекламы. При этом визуализировать данные можно в дашборде, в выгрузке данных различных форматов и даже в ответах на запрос, к примеру, через чат-боты типа Statsbot.

Дополнительные возможности при этом могут сильно разниться. Это и разграничение прав доступа и подключение собственного домена. Возможность давать гостевой доступ и комментировать аналитику. При этом есть и дополнительные требования к инструменту. В итоге получается целый чек-лист, на соответствие которому должен пройти проверку инструмент.

Если все проекты разные, то надо думать о том, что инструмент должен обладать вариабельностью. Это подразумевает максимальную гибкость, индивидуальный подбор инструмента под конкретные задачи и требования. К тому же необходима стандартизация — разделять проекты на типы и находить свое решение для каждого из них.

Не забываем про старый добрый Excel, который до сих пор является главным конкурентом сервисов аналитики. Но на самом деле это не конкурент, а возможность анализа собранных данных.

Соберите данные из нескольких источников: CRM, системы сбора статистики и рекламные кабинеты). Соотнесите с экономикой бизнеса и считайте по формулам. Помните о трендах: предиктивной аналитике — IBM и чат-ботах, к примеру, statsbot.

Когда автоматизировать аналитику не получится

Если нет возможности получить данные и не предусмотрено время на внедрение и отладку. С такими вводными мы можем внедрить только автоматизацию отчетности для клиентов.

Чтобы понимать и не бояться правда в цифрах необходимо перестать работать с неуместным фанатизмом и начать внедрять автоматизацию аналитики. Только видя отчет в одном месте, можно начать верно его анализировать. Думайте о пользе клиента, а не о творческой самореализации.